证据时间轴 · 三领域试点

拖动时间，看AI走进哪些具体任务

从代码片段到待审代码变更（PR），从数字答案到可检查证明，从财报问答到多步金融研究。每一个变化，都回到它的任务、条件和原始材料。

证据截止

2026-10-19

本次收录的公开节点

7 条

本试点聚焦取数、检索、会议和跨文件交付。预测与交易的真实净收益证据另设门槛，不能由文档分数推得。
5个代表任务切片；实际覆盖比例未知。节点数不是覆盖率或进步次数。

●限定评测　◇产品流程　■工作实验　◆研究案例　△反例/测量受限。类型没有统一高低排名；同一任务允许同时有正面结果与限制。

任务定义、验收和术语是今天整理的对照框架；历史筛选只约束证据公开时间，不代表这些说明在当时已经存在。

先读懂这些词 · 术语速查

财报取数 / 可执行推理: 从表格和文字找到数字、财年和单位，再生成可运行公式；算对答案不等于财务解释全部正确。
Agent框架 / 验收项: 框架提供模型可调用的工具与流程；验收项逐条检查来源、数字、解释等要求。
宏平均 / 多数票: 先计算每道题满足验收项的比例，再给每题同等权重平均；三个模型多数票不是专业人士审定。
CRM / 样本外净收益: CRM保存客户工作记录；样本外用未参与开发的数据检验，净收益还需扣除交易和运营成本。

聚焦一项任务，准备交接与验收

财报计算：把取数、运算、对账分别验收 →

让AI找数和写公式，让程序计算；你核对财年、单位、口径和原文。计算正确仍可能引用错数据。

F01

从财报取数并计算指标 ↘

● 限定评测

模型从财报回答问题；同150题的正确数因资料流程不同为29或118。

最近材料 2023-11-20 · 限定输入下由系统执行

人：核对单位、财年、重述与会计口径

F02

检索金融资料并整理研究依据 ↘

● 限定评测

系统多轮检索和组合研究材料；最高内部配置的验收项满足比例等权平均56.0%。

最近材料 2026-08-12 · 限定输入下由系统执行

人：核对时点、原文、遗漏与解释

F03

把客户会议变成记录与跟进草稿 ↘

◇ 产品流程

产品在客户同意后起草纪要、行动项、跟进邮件并记录CRM。

最近材料 2024-06-26 · 人机协作

人：取得已有同意、修订并决定发送

F04

生成相互一致的投行交付文件 ↘

● 限定评测

终端Agent生成投行表格、幻灯片与备忘录；指定专业评审中无可直接发送档。

最近材料 2026-04-13 · 限定输入下由系统执行

人：审查公式、假设、客户要求与发送

F05

把研究结论转成可执行投资决定 ↘

— 未收录证据

这个时间点尚未收录适配证据

卡片标签表示最近公开材料的性质，不是这个任务整体已能自动完成；历史能力并不因后来的限制记录被删除。

看发展速度 · 看交接怎样变

从财报问答到多步研究条款

2023-11-20

检索方式决定财报问答可靠性

FinanceBench公开150题中，GPT-4-Turbo共享向量库29/150答对；整份财报长上下文118/150答对。

早期条件 ↘

2026-08-12

金融研究开始逐项核对来源与分析

FrontierFinance含220查询、11543条附来源的验收项；Samaya高努力内部Agent框架宏平均56.0%，Fable5+Finance Agent v2为49.2%。

后来条件 ↘

两份材料相隔 996 天日历间隔，不是能力倍增时间

测试越来越接近研究流程，衡量对象也从单个答案变成来源、数值与分析条款。覆盖的动作变多，不等于最终报告已可交付。

怎样读这个时间轴

主轴按原始材料公开日期；实验/上线时点另列。历史空白仅表示本次未收录证据；后来的质疑不偷偷改写早期结果。

覆盖的含义：在指定输入、环境和验收下，材料支持AI参与哪些动作；未知比例保持null。

速度的含义：证据节点之间的日历间隔、流程交接变化；指标/样本/预算不一致时，不计算能力增长率或外推一年三年。

目的性选择三个领域的代表任务，不是穷尽检索或无偏职业采样；基础时间轴于2026-10-14核对，本次精选补充与证据截止2026-10-15，固定论文优先，不把动态榜排名倒填历史。

每个任务保留人的核验与决策；材料数量不等于独立实验数量，模型、Agent框架、重试预算和完整验收一并阅读。历史研究今天读取，不是当时保存的逐日网络档案。

逐项可查

任务、条件与原始证据

领域概念与前沿 →

任务切片 F01

从财报取数并计算指标

输入: 财报表格/文字、财年与问题
交付: 数值、公式和页码依据
人继续负责: 核对单位、财年、重述与会计口径
证据适配: FinQA、FinanceBench的限定公开问题；企业私有报表效果未知

任务验收：每个输入能定位原文；公式可复算；财年/币种一致。

公开 2021-09-01 · 1147题测试集执行答案准确率；不是8281题全量测量或通用财报分析通过率

数字回答开始附可执行推理程序

FinQA共8281个专家标注问题，其中1147题为测试集。FinQANet（RoBERTa-large）检索文字与表格并生成可执行计算程序，测试执行准确率65.05%。

工作含义：取数、公式和计算可分别核对；这条路径早于通用生成式Agent。；依据：FinQA固定首稿

公开 2021-09-01● 限定评测

数字回答开始附可执行推理程序

FinQA共8281个专家标注问题，其中1147题为测试集。FinQANet（RoBERTa-large）检索文字与表格并生成可执行计算程序，测试执行准确率65.05%。

配置 / 输入: 固定首稿的1147题测试集、规则表格布局；BERT-base检索器取排名前3条事实，RoBERTa-large程序生成编码器。
衡量什么: 1147题测试集执行答案准确率；不是8281题全量测量或通用财报分析通过率
事件 / 运行: 原文未给精确运行日期；上方为材料公开日
对任务意味着: 取数、公式和计算可分别核对；这条路径早于通用生成式Agent。
比较条件: 任务/配置或指标不同，不计算统一增长率
限制: 不是65%的财务工作自动化；专家参照与模型不是同预算增长序列。

FinQA固定首稿 ↘

公开 2023-10-23 · 财报问答答案指标；CoT使用相对容差0.001，非完整报告验收

把财报问答的计算交给Python

FinQA测试1,147题；表2同一Codex底层模型的少样本贪心结果为CoT 40.4%、PoT 64.5%。

工作含义：可计算步骤有外部执行接口，但正确运算仍可能基于错误取数。；依据：Program of Thoughts：外部计算接口（v4）

公开 2023-10-23● 限定评测

把财报问答的计算交给Python

FinQA测试1,147题；表2同一Codex底层模型的少样本贪心结果为CoT 40.4%、PoT 64.5%。

配置 / 输入: code-davinci-002；Python3.8/SymPy；按数据集使用4–8示例；比较不同提示/执行系统
衡量什么: 财报问答答案指标；CoT使用相对容差0.001，非完整报告验收
事件 / 运行: 原文未给精确运行日期；上方为材料公开日
对任务意味着: 可计算步骤有外部执行接口，但正确运算仍可能基于错误取数。
比较条件: 只解释这一来源/任务/配置；不与其他题集连成增长曲线
限制: 历史模型和限定问答；不是现场报表流程、审查人时或岗位覆盖。

Program of Thoughts：外部计算接口（v4） ↘

公开 2023-11-20 · 人工核对的正确回答数；包含逻辑与计算依据检查

检索方式决定财报问答可靠性

FinanceBench公开150题中，GPT-4-Turbo共享向量库29/150答对；整份财报长上下文118/150答对。

工作含义：这组实验中，同一模型因资料处理方式不同表现悬殊；实际使用时仍要核对材料、页码与口径。；依据：FinanceBench固定首稿

公开 2023-11-20● 限定评测

检索方式决定财报问答可靠性

FinanceBench公开150题中，GPT-4-Turbo共享向量库29/150答对；整份财报长上下文118/150答对。

配置 / 输入: 同一论文不同配置；长文档超限时截断至约95k–100k tokens
衡量什么: 人工核对的正确回答数；包含逻辑与计算依据检查
事件 / 运行: 2023年11月测试；Appendix B仅给月份，具体日期未知；不是整月连续测量
对任务意味着: 这组实验中，同一模型因资料处理方式不同表现悬殊；实际使用时仍要核对材料、页码与口径。
比较条件: 同一150题的配置差异可比较；不能当历史增长
限制: 这是同论文、同实验窗口中的配置比较，不是两次时间节点的增长。

FinanceBench固定首稿 ↘

任务切片 F02

检索金融资料并整理研究依据

输入: 研究问题、允许资料与信息截止
交付: 有来源的研究摘要/回答
人继续负责: 核对时点、原文、遗漏与解释
证据适配: 机构检索流程与公开金融研究基准；不等于自动投资决策

任务验收：每条主张有支持材料；截止日之后信息不得混入；不把条款分当整份报告合格。

公开 2024-06-26 · 已提供的机构工作流；无本条净人时试验

金融机构确认内部研究资料检索上线

Morgan Stanley公告回顾：Assistant于2023年9月全面推出，为顾问提供内部知识检索。

工作含义：资料查找和摘要可进入员工工具，建议与客户关系继续由人负责。；依据：Morgan Stanley Debrief正式公告

公开 2024-06-26◇ 产品流程

金融机构确认内部研究资料检索上线

Morgan Stanley公告回顾：Assistant于2023年9月全面推出，为顾问提供内部知识检索。

配置 / 输入: 机构内部资料与顾问核对；本条仅取官方流程说明
衡量什么: 已提供的机构工作流；无本条净人时试验
事件 / 运行: 2023-09上线（2024-06公告回顾）
对任务意味着: 资料查找和摘要可进入员工工具，建议与客户关系继续由人负责。
比较条件: 任务/配置或指标不同，不计算统一增长率
限制: 证据公告在2024年6月；不把回顾信息倒填成2023已知公开证明。

Morgan Stanley Debrief正式公告 ↘

公开 2026-08-12 · GPT5.4、Gemini3.1 Pro、Claude Sonnet4.6三模型多数票判断每个验收项是否满足；先算每题满足比例，再对220题等权平均（宏平均）。不是整题通过率或专业人士批准。

金融研究开始逐项核对来源与分析

FrontierFinance含220查询、11543条附来源的验收项；Samaya高努力内部Agent框架宏平均56.0%，Fable5+Finance Agent v2为49.2%。

工作含义：Agent能执行多步研究，但数字、时点、比较与结论仍要逐项验收。；依据：FrontierFinance固定首稿

公开 2026-08-12● 限定评测

金融研究开始逐项核对来源与分析

FrontierFinance含220查询、11543条附来源的验收项；Samaya高努力内部Agent框架宏平均56.0%，Fable5+Finance Agent v2为49.2%。

配置 / 输入: Samaya内部框架与Finance Agent v2均使用200工具调用/300秒预算，写入提示，触及后要求最终回答；两套工具/模型配置仍不同。
衡量什么: GPT5.4、Gemini3.1 Pro、Claude Sonnet4.6三模型多数票判断每个验收项是否满足；先算每题满足比例，再对220题等权平均（宏平均）。不是整题通过率或专业人士批准。
事件 / 运行: 原文未给精确运行日期；上方为材料公开日
对任务意味着: Agent能执行多步研究，但数字、时点、比较与结论仍要逐项验收。
比较条件: 任务/配置或指标不同，不计算统一增长率
限制: 不与FinanceBench正确回答率相连，也不表示56%的投研工作可自动化。

FrontierFinance固定首稿 ↘

任务切片 F03

把客户会议变成记录与跟进草稿

输入: 已同意处理的会议内容
交付: 纪要、行动项与待发送草稿
人继续负责: 取得已有同意、修订并决定发送
证据适配: 机构公开产品流程；本试点不上传客户材料或测量效率

任务验收：关键决定准确；行动负责人与日期核对；客户内容权限符合实际授权。

公开 2024-06-26 · 官方公开功能流程；没有本试点成功率/实测净人时

会议纪要连接到跟进草稿和CRM

Morgan Stanley Debrief在客户同意后生成会议笔记、行动项与邮件草稿，并保存Salesforce笔记；顾问修订和决定发送。

工作含义：文稿准备可以减少手工步骤，但客户决定和发送责任保留。；依据：Morgan Stanley Debrief正式公告

公开 2024-06-26◇ 产品流程

会议纪要连接到跟进草稿和CRM

Morgan Stanley Debrief在客户同意后生成会议笔记、行动项与邮件草稿，并保存Salesforce笔记；顾问修订和决定发送。

配置 / 输入: 机构工具、OpenAI支持、客户同意与顾问审阅
衡量什么: 官方公开功能流程；没有本试点成功率/实测净人时
事件 / 运行: 原文未给精确运行日期；上方为材料公开日
对任务意味着: 文稿准备可以减少手工步骤，但客户决定和发送责任保留。
比较条件: 任务/配置或指标不同，不计算统一增长率
限制: 机构自报，不能把采用率变成纪要准确率。

Morgan Stanley Debrief正式公告 ↘

任务切片 F04

生成相互一致的投行交付文件

输入: 项目资料、模板与核算假设
交付: Excel、幻灯片和备忘录
人继续负责: 审查公式、假设、客户要求与发送
证据适配: BankerToolBench初级投行公开任务；不是完整金融业务

任务验收：文件间数值一致；表格公式可复算；专业人士审核最终产物。

公开 2026-04-13 · 可直接发送档；172是评审次数，不是172个独立完整任务

跨文件交付成为完整任务测试

BankerToolBench含100项初级投行任务；21位银行人员对GPT-5.4/Opus4.6产物172次评审中，没有评为可直接发送。

工作含义：AI可以先产出草稿，但发送前仍需要数字、公式和跨文件审查。；依据：BankerToolBench固定首稿

公开 2026-04-13● 限定评测

跨文件交付成为完整任务测试

BankerToolBench含100项初级投行任务；21位银行人员对GPT-5.4/Opus4.6产物172次评审中，没有评为可直接发送。

配置 / 输入: 终端Agent编辑Excel、幻灯片与备忘录；人工Readiness评审
衡量什么: 可直接发送档；172是评审次数，不是172个独立完整任务
事件 / 运行: 原文未给精确运行日期；上方为材料公开日
对任务意味着: AI可以先产出草稿，但发送前仍需要数字、公式和跨文件审查。
比较条件: 任务/配置或指标不同，不计算统一增长率
限制: 0%仅适用这次指定评审；不是行业零能力，也不是没有可用草稿。

BankerToolBench固定首稿 ↘

任务切片 F05

把研究结论转成可执行投资决定

输入: 实时市场、授权、风险/交易成本约束
交付: 可审计决策与真实交易回执
人继续负责: 承担组合风险、权限及真实收益核算
证据适配: 本次入选材料不足以支持完整委派；空白表示未收录适配证据

任务验收：前瞻样本外表现；扣除全成本的真实净收益；风险与客户约束全部通过。

截至 2026-10-19，本次未收录这项任务的适配证据。空白不证明AI做不到。

本时间点的证明材料与综述

整理于 2026-10-19；各条实际阅读日另列。仅显示截至 2026-10-19 已公开的入选材料。综述用于发现任务，不作为独立通过率证据。

研究基准 · BF01 · BF01